"""L17 用途地域 21 市町統合分析 — 広島県の用途地域指定構造と都市プロファイル カバー宣言: 本記事は 都市計画区域情報_区域データ_各種用途地域 シリーズ全 21 件 = 21 dataset_id を 統合し、広島県全域の用途地域 (Zoning) 指定構造を分析する研究記事である。 - 20 市町別 GeoJSON: ds=794 広島市 / 804 呉市 / 811 竹原市 / 821 三原市 / 831 尾道市 / 837 福山市 / 847 府中市 / 855 三次市 / 861 庄原市 / 867 大竹市 / 875 東広島市 / 885 廿日市市 / 893 安芸高田市 / 899 江田島市 / 904 府中町 / 910 海田町 / 915 熊野町 / 921 坂町 / 940 北広島町 / 946 世羅町 - 県全域 集約ファイル: ds=932 広島県（21 市町分のポリゴンを 2629 件で含む） → 合計 21 dataset_id（市町別 20 + 県全域 1） 研究の問い (RQ): 広島県内の用途地域 (Zoning) は、住居・商業・工業の 3 類型でどう構成され、 市町ごとにどのような「用途構成プロファイル」を持つか？ 仮説 (D): H1. 用途地域は住居系 (YOTO_CD 1-7) が面積で過半を占め、商業系 (8-9) はごくわずか、 工業系 (10-12) は瀬戸内沿岸の特定市町に集中する H2. 「近隣商業地域」 (YOTO_CD=8) は広島県ではほとんど指定されておらず、 「商業地域」 (YOTO_CD=9) に機能が統合されている H3. 田園住居地域 (YOTO_CD=13、2018 年都市計画法改正で新設) は新しい類型のため 全県でも 50 件未満、複数市町で導入が始まった段階である H4. 市町ごとに用途構成は大きく異なり、「住宅都市型／工業都市型／商業中核型」など いくつかのプロファイルにグルーピングできる (k-means で判別可能) H5. 工業専用地域 (YOTO_CD=12) は瀬戸内沿岸の臨海工業地帯（大竹・福山・尾道・呉）に 強く偏在し、内陸市町ではほぼゼロ件である 要件 S 準拠: 1 分以内で完走（ポリゴン総数 2629、軽量）。 要件 T 準拠: 13 用途別主題図 + 3 類型 choropleth + 20 市町 small multiples + 工業地帯クローズアップ + プロファイル散布図 要件 Q 準拠: 図 8 枚以上、表 9 枚以上。 L13/L15/L16 との重複回避: - L13 は「建物利用 × 土地利用」のメッシュ集計、本記事の用途地域 (指定) とは別物 - L13 で扱った "建物利用 × 用途地域 mismatch" は本記事では扱わない - L15 は行政区域、L16 は都市計画区域。本記事は L16 都計区域の "内部" の用途構成に焦点 - 行政区域・都計区域は「分母／背景レイヤ」としてのみ参照 """ from __future__ import annotations import sys, time, json, zipfile, io from pathlib import Path sys.path.insert(0, str(Path(__file__).parent)) from _common import (ROOT, ASSETS, LESSONS, render_lesson, code, figure) import numpy as np import pandas as pd import matplotlib matplotlib.use("Agg") import matplotlib.pyplot as plt from matplotlib.patches import Patch import geopandas as gpd plt.rcParams["font.family"] = "Yu Gothic" plt.rcParams["axes.unicode_minus"] = False t0 = time.time() print("=== L17 用途地域 21市町統合分析 ===", flush=True) # ============================================================================= # 0. 定数: 21 dataset_id, YOTO_CD 凡例, 行政区域参照 # ============================================================================= DATA_DIR = ROOT / "data" / "extras" / "L17_use_zones" ADMIN_DIR = ROOT / "data" / "extras" / "L15_admin_zones" TARGET_CRS = "EPSG:6671" # JGD2011 平面直角 III, 広島県, m 単位 # (dataset_id, 市町名, 海岸 bool, タイプ) CITY_DEFS = [ (794, "広島市", True, "政令市"), (804, "呉市", True, "市"), (811, "竹原市", True, "市"), (821, "三原市", True, "市"), (831, "尾道市", True, "市"), (837, "福山市", True, "市"), (847, "府中市", False, "市"), (855, "三次市", False, "市"), (861, "庄原市", False, "市"), (867, "大竹市", True, "市"), (875, "東広島市", True, "市"), (885, "廿日市市", True, "市"), (893, "安芸高田市", False, "市"), (899, "江田島市", True, "離島自治体"), (904, "府中町", False, "町"), (910, "海田町", True, "町"), (915, "熊野町", False, "町"), (921, "坂町", True, "町"), (940, "北広島町", False, "町"), (946, "世羅町", False, "町"), ] KEN_DSID = 932 # 行政区域 dsid（L15 と同じ; 比率分母用） ADMIN_DSID = { "広島市":786, "呉市":797, "竹原市":807, "三原市":814, "尾道市":824, "福山市":832, "府中市":840, "三次市":850, "庄原市":856, "大竹市":862, "東広島市":868, "廿日市市":878, "安芸高田市":888, "江田島市":894, "府中町":900, "海田町":905, "熊野町":911, "坂町":916, "北広島町":935, "世羅町":941, } # YOTO_CD → (用途地域名, 3類型カテゴリ, カラー) # 都市計画法・建築基準法上の用途地域 13 種類 YOTO_INFO = { 1: ("第一種低層住居専用地域", "住居系", "#a6dba0"), 2: ("第二種低層住居専用地域", "住居系", "#7fbc41"), 3: ("第一種中高層住居専用地域", "住居系", "#4d9221"), 4: ("第二種中高層住居専用地域", "住居系", "#276419"), 5: ("第一種住居地域", "住居系", "#c7e9c0"), 6: ("第二種住居地域", "住居系", "#74c476"), 7: ("準住居地域", "住居系", "#41ab5d"), 8: ("近隣商業地域", "商業系", "#fdae61"), 9: ("商業地域", "商業系", "#d73027"), 10: ("準工業地域", "工業系", "#9e9ac8"), 11: ("工業地域", "工業系", "#6a51a3"), 12: ("工業専用地域", "工業系", "#3f007d"), 13: ("田園住居地域", "田園系", "#ffd92f"), } TYPE_CAT_COLOR = { "住居系": "#41ab5d", "商業系": "#d73027", "工業系": "#6a51a3", "田園系": "#ffd92f", } CTYPE_COLOR = { "政令市": "#cf222e", "市": "#0969da", "離島自治体": "#bf8700", "町": "#1f883d", } # ============================================================================= # 1. 21 市町 GeoJSON 統合読み込み # ============================================================================= print("\n[1] 21 市町 GeoJSON 統合読み込み", flush=True) t1 = time.time() def load_geojson_zip(zip_path: Path) -> gpd.GeoDataFrame: """ZIP 内の単一 .geojson を BytesIO 経由で読み込み（一時ファイル不要）""" with zipfile.ZipFile(zip_path) as zf: gjs = [n for n in zf.namelist() if n.endswith(".geojson")] if not gjs: raise FileNotFoundError(f"no .geojson in {zip_path.name}") with zf.open(gjs[0]) as f: return gpd.read_file(io.BytesIO(f.read())) frames = [] miss = [] for dsid, name, coastal, ctype in CITY_DEFS: z = DATA_DIR / f"use_zone_{dsid}_{name}.zip" if not z.exists(): miss.append((dsid, name)) continue g = load_geojson_zip(z) g["source_city"] = name g["source_dsid"] = dsid g["coastal"] = coastal g["ctype"] = ctype frames.append(g) assert not miss, f"missing zip: {miss}" zone = gpd.GeoDataFrame(pd.concat(frames, ignore_index=True), geometry="geometry", crs=frames[0].crs) zone = zone.to_crs(TARGET_CRS) zone["YOTO_NAME"] = zone["YOTO_CD"].map(lambda c: YOTO_INFO[c][0]) zone["YOTO_TYPE"] = zone["YOTO_CD"].map(lambda c: YOTO_INFO[c][1]) zone["poly_area_km2"] = zone.geometry.area / 1e6 zone["poly_perim_km"] = zone.geometry.length / 1e3 print(f" 21 市町統合: {len(zone)} ポリゴン, CRS={zone.crs.to_epsg()}, " f"{time.time()-t1:.2f}s", flush=True) # 県全域版（整合性検証） ken_zip = DATA_DIR / f"use_zone_{KEN_DSID}_広島県.zip" ken_gdf = load_geojson_zip(ken_zip).to_crs(TARGET_CRS) ken_gdf["poly_area_km2"] = ken_gdf.geometry.area / 1e6 print(f" 県全域 ds={KEN_DSID}: {len(ken_gdf)} ポリゴン", flush=True) # 行政区域（背景・分母用; L15 共有） admin_frames = [] for city, dsid in ADMIN_DSID.items(): z = ADMIN_DIR / f"admin_{dsid}_{city}.zip" g = load_geojson_zip(z) g["city"] = city admin_frames.append(g) admin_all = gpd.GeoDataFrame(pd.concat(admin_frames, ignore_index=True), geometry="geometry", crs=admin_frames[0].crs) admin_all = admin_all.to_crs(TARGET_CRS) admin_diss = admin_all.dissolve(by="city").reset_index() admin_diss["admin_area_km2"] = admin_diss.geometry.area / 1e6 print(f" 行政区域 (L15共有) 読込: {len(admin_diss)} 市町", flush=True) # ============================================================================= # 2. 13 用途地域 集約と 3 類型分類 # ============================================================================= print("\n[2] 13 用途地域 集約・3 類型分類", flush=True) t1 = time.time() # (1) YOTO_CD 別ジオメトリ統合（dissolve） zone_diss_yoto = zone.dissolve(by="YOTO_CD", aggfunc={ "YOTO_NAME": "first", "YOTO_TYPE": "first", }).reset_index() def n_parts(geom): if geom is None or geom.is_empty: return 0 if geom.geom_type == "MultiPolygon": return len(list(geom.geoms)) return 1 zone_diss_yoto["n_parts"] = zone_diss_yoto.geometry.apply(n_parts) zone_diss_yoto["area_km2"] = zone_diss_yoto.geometry.area / 1e6 zone_diss_yoto["polys_count"] = zone_diss_yoto["YOTO_CD"].map( zone["YOTO_CD"].value_counts()) zone_diss_yoto["cities_count"] = zone_diss_yoto["YOTO_CD"].map( pd.crosstab(zone["YOTO_CD"], zone["source_city"]).gt(0).sum(axis=1)) zone_diss_yoto = zone_diss_yoto.sort_values("YOTO_CD").reset_index(drop=True) # (2) 3 類型 (住居系/商業系/工業系/田園系) 別集計 type_agg = zone.groupby("YOTO_TYPE").agg( polys_count=("poly_area_km2", "size"), area_km2=("poly_area_km2", "sum"), n_yoto_codes=("YOTO_CD", "nunique"), ).reset_index() type_agg["share_pct"] = type_agg["area_km2"] / type_agg["area_km2"].sum() * 100 # (3) 市町別 用途構成プロファイル（ピボット） city_yoto_area = zone.pivot_table( index="source_city", columns="YOTO_CD", values="poly_area_km2", aggfunc="sum", fill_value=0) # 全 13 列確保（無いコードは 0 で埋める） for c in range(1, 14): if c not in city_yoto_area.columns: city_yoto_area[c] = 0.0 city_yoto_area = city_yoto_area.reindex(columns=range(1, 14)) # 市町別 3 類型別 面積 city_type_area = zone.pivot_table( index="source_city", columns="YOTO_TYPE", values="poly_area_km2", aggfunc="sum", fill_value=0) for tcat in ["住居系", "商業系", "工業系", "田園系"]: if tcat not in city_type_area.columns: city_type_area[tcat] = 0.0 city_type_area = city_type_area[["住居系", "商業系", "工業系", "田園系"]] # 市町別 用途地域 総面積 city_total = zone.groupby("source_city")["poly_area_km2"].sum().rename( "use_zone_total_km2") # シェア (%) も計算 city_type_pct = city_type_area.div(city_total, axis=0) * 100 city_type_pct.columns = [f"{c}_pct" for c in city_type_pct.columns] # 行政面積をマージし、用途地域指定密度（用途地域 / 行政面積）も city_meta = pd.DataFrame([{"city": n, "ctype": t, "coastal": c} for _, n, c, t in CITY_DEFS]) admin_areas = admin_diss.set_index("city")["admin_area_km2"] city_profile = pd.concat([city_total, city_type_area, city_type_pct], axis=1) city_profile = city_profile.reset_index().rename(columns={"source_city": "city"}) city_profile = city_profile.merge(city_meta, on="city") city_profile["admin_area_km2"] = city_profile["city"].map(admin_areas) city_profile["use_zone_density_pct"] = ( city_profile["use_zone_total_km2"] / city_profile["admin_area_km2"] * 100) # 主用途タイプ（最大シェアの 3 類型） def dominant_type(row): pcts = {t: row[f"{t}_pct"] for t in ["住居系", "商業系", "工業系", "田園系"]} return max(pcts, key=pcts.get) city_profile["dominant_type"] = city_profile.apply(dominant_type, axis=1) # 並び順固定 CITY_ORDER = [c[1] for c in CITY_DEFS] city_profile["__o"] = city_profile["city"].map({c: i for i, c in enumerate(CITY_ORDER)}) city_profile = city_profile.sort_values("__o").drop(columns="__o").reset_index(drop=True) print(f" YOTO_CD 種類: {len(zone_diss_yoto)}", flush=True) print(f" 3類型: 住居={type_agg[type_agg['YOTO_TYPE']=='住居系']['share_pct'].iloc[0]:.1f}% " f"商業={type_agg[type_agg['YOTO_TYPE']=='商業系']['share_pct'].iloc[0]:.1f}% " f"工業={type_agg[type_agg['YOTO_TYPE']=='工業系']['share_pct'].iloc[0]:.1f}%", flush=True) print(f" YOTO_CD=8 (近隣商業) ポリゴン数: {(zone['YOTO_CD']==8).sum()}", flush=True) print(f" YOTO_CD=13 (田園住居) ポリゴン数: {(zone['YOTO_CD']==13).sum()}, " f"市町数: {zone[zone['YOTO_CD']==13]['source_city'].nunique()}", flush=True) # ============================================================================= # 3. 中間 CSV 出力 # ============================================================================= print("\n[3] 中間 CSV 出力", flush=True) ASSETS.mkdir(parents=True, exist_ok=True) # 13 用途地域 集約 yoto_summary = zone_diss_yoto.drop(columns="geometry").copy() yoto_summary.to_csv(ASSETS / "L17_yoto_summary.csv", index=False, encoding="utf-8-sig") # 3 類型集計 type_agg.round(3).to_csv(ASSETS / "L17_type_agg.csv", index=False, encoding="utf-8-sig") # 市町別 用途構成プロファイル city_profile.round(3).to_csv(ASSETS / "L17_city_profile.csv", index=False, encoding="utf-8-sig") # 市町 × 用途地域 クロス（面積） crosstab_area = zone.pivot_table( index="source_city", columns="YOTO_NAME", values="poly_area_km2", aggfunc="sum", fill_value=0).round(3) crosstab_area.to_csv(ASSETS / "L17_city_yoto_crosstab_area.csv", encoding="utf-8-sig") # 全ポリゴン詳細 zone.drop(columns="geometry").round(4).to_csv( ASSETS / "L17_poly_detail.csv", index=False, encoding="utf-8-sig") print(" saved 5 CSVs", flush=True) # ============================================================================= # 4. 図 1: 13 用途地域 主題図 (YOTO_CD 別カラー) # ============================================================================= print("\n[4] 図1: 13 用途地域 主題図", flush=True) t1 = time.time() fig, ax = plt.subplots(figsize=(11, 8.5)) # 行政区域 county outline をベースに ken_outline = admin_diss.dissolve() ken_outline.plot(ax=ax, color="#f6f8fa", edgecolor="#999999", linewidth=0.5, zorder=1) # YOTO_CD ごとに色塗り(属性別 plot) for yc, (yname, ytype, ycolor) in YOTO_INFO.items(): sub = zone[zone["YOTO_CD"] == yc] if len(sub) == 0: continue sub.plot(ax=ax, color=ycolor, edgecolor="white", linewidth=0.05, alpha=0.9, zorder=3) ax.set_title("広島県 13 用途地域 主題図 (YOTO_CD 別塗分け)", fontsize=13) ax.set_axis_off() patches = [Patch(facecolor=YOTO_INFO[c][2], label=f"{c}: {YOTO_INFO[c][0]}") for c in sorted(YOTO_INFO.keys())] patches.append(Patch(facecolor="#f6f8fa", edgecolor="#999999", label="行政区域 (背景)")) ax.legend(handles=patches, loc="lower left", fontsize=8, frameon=True, ncol=2) plt.tight_layout() plt.savefig(ASSETS / "L17_yoto_thematic.png", dpi=130, bbox_inches="tight") plt.close("all") print(f" saved L17_yoto_thematic.png ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 5. 図 2: 3 類型 主題図 (住居系/商業系/工業系/田園系) # ============================================================================= print("\n[5] 図2: 3 類型 主題図 + 凡例", flush=True) t1 = time.time() fig, axes = plt.subplots(1, 2, figsize=(15, 7)) # 左: 3 類型主題図 ken_outline.plot(ax=axes[0], color="#f6f8fa", edgecolor="#999999", linewidth=0.5, zorder=1) admin_diss.boundary.plot(ax=axes[0], color="#cccccc", linewidth=0.3, zorder=2) for tcat in ["住居系", "商業系", "工業系", "田園系"]: sub = zone[zone["YOTO_TYPE"] == tcat] if len(sub) == 0: continue sub.plot(ax=axes[0], color=TYPE_CAT_COLOR[tcat], edgecolor="white", linewidth=0.05, alpha=0.85, zorder=3) axes[0].set_title("3 類型に集約した広島県の用途地域分布", fontsize=12) axes[0].set_axis_off() ptype_legend = [Patch(facecolor=TYPE_CAT_COLOR[t], label=f"{t} ({type_agg[type_agg['YOTO_TYPE']==t]['area_km2'].iloc[0]:.0f} km²)" if t in type_agg["YOTO_TYPE"].values else f"{t} (0)") for t in ["住居系", "商業系", "工業系", "田園系"]] ptype_legend.append(Patch(facecolor="#f6f8fa", edgecolor="#999999", label="行政区域 (背景)")) axes[0].legend(handles=ptype_legend, loc="lower left", fontsize=10) # 右: 3 類型の面積パイ sizes = [type_agg[type_agg["YOTO_TYPE"]==t]["area_km2"].iloc[0] if t in type_agg["YOTO_TYPE"].values else 0 for t in ["住居系", "商業系", "工業系", "田園系"]] labels = [f"{t}\n{s:.1f} km²\n({s/sum(sizes)*100:.1f}%)" for t, s in zip(["住居系", "商業系", "工業系", "田園系"], sizes)] axes[1].pie(sizes, labels=labels, colors=[TYPE_CAT_COLOR[t] for t in ["住居系", "商業系", "工業系", "田園系"]], startangle=90, wedgeprops={"edgecolor": "white", "linewidth": 1.5}, textprops={"fontsize": 11}) axes[1].set_title(f"用途地域 3 類型 面積構成（広島県全 {sum(sizes):.0f} km²）", fontsize=12) plt.tight_layout() plt.savefig(ASSETS / "L17_type_thematic_pie.png", dpi=130, bbox_inches="tight") plt.close("all") print(f" saved L17_type_thematic_pie.png ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 6. 図 3: 13 用途地域 small multiples（13 panels で個別表示） # ============================================================================= print("\n[6] 図3: 13 用途地域 small multiples", flush=True) t1 = time.time() n_yoto = len(zone_diss_yoto) cols = 4 rows = int(np.ceil(n_yoto / cols)) fig, axes = plt.subplots(rows, cols, figsize=(15, 3.0*rows)) axes = axes.flatten() # 全 panel で同じ範囲（県全域）を見せるため、bounds 取得 xmin, ymin, xmax, ymax = ken_outline.total_bounds for i, (_, r) in enumerate(zone_diss_yoto.iterrows()): ax = axes[i] yc = r["YOTO_CD"] yname, ytype, ycolor = YOTO_INFO[yc] # 背景: 県の輪郭 ken_outline.plot(ax=ax, color="#f6f8fa", edgecolor="#999999", linewidth=0.4, zorder=1) # 該当用途地域 sub = zone[zone["YOTO_CD"] == yc] if len(sub) > 0: sub.plot(ax=ax, color=ycolor, edgecolor="white", linewidth=0.1, zorder=3) ax.set_xlim(xmin, xmax) ax.set_ylim(ymin, ymax) ax.set_title(f"YOTO {yc}: {yname}\n{r['area_km2']:.1f}km² / " f"{int(r['polys_count'])}polys / {int(r['cities_count'])}市町", fontsize=9) ax.set_axis_off() for j in range(n_yoto, rows*cols): axes[j].set_visible(False) plt.suptitle("13 用途地域 個別分布 small multiples (同一スケール、全県俯瞰)", fontsize=12, y=1.00) plt.tight_layout() plt.savefig(ASSETS / "L17_yoto_small_multiples.png", dpi=120, bbox_inches="tight") plt.close("all") print(f" saved ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 7. 図 4: 13 用途地域 面積バー (3 類型カラー) # ============================================================================= print("\n[7] 図4: 13 用途地域 面積バー", flush=True) t1 = time.time() fig, axes = plt.subplots(1, 2, figsize=(15, 6.5)) zd = zone_diss_yoto.sort_values("area_km2", ascending=True).copy() bar_colors = [TYPE_CAT_COLOR[t] for t in zd["YOTO_TYPE"]] labels = [f"{c}: {n}" for c, n in zip(zd["YOTO_CD"], zd["YOTO_NAME"])] axes[0].barh(labels, zd["area_km2"], color=bar_colors, edgecolor="black", linewidth=0.4) for i, (_, r) in enumerate(zd.iterrows()): axes[0].text(r["area_km2"] + 2, i, f"{int(r['polys_count'])}polys / {int(r['cities_count'])}市町", va="center", fontsize=8) axes[0].set_xlabel("面積 km²") axes[0].set_title("13 用途地域 面積ランキング（色=3 類型）", fontsize=11) axes[0].grid(axis="x", alpha=0.3) ptype_legend = [Patch(facecolor=TYPE_CAT_COLOR[t], label=t) for t in ["住居系", "商業系", "工業系", "田園系"]] axes[0].legend(handles=ptype_legend, loc="lower right", fontsize=9) # 右: ポリゴン数 vs 平均面積（log-log 散布） zd2 = zone_diss_yoto.copy() zd2["mean_area_km2"] = zd2["area_km2"] / zd2["polys_count"] for tcat in ["住居系", "商業系", "工業系", "田園系"]: sub = zd2[zd2["YOTO_TYPE"] == tcat] if len(sub) == 0: continue axes[1].scatter(sub["polys_count"], sub["mean_area_km2"], c=TYPE_CAT_COLOR[tcat], s=130, edgecolor="black", linewidth=0.6, alpha=0.9, label=tcat) for _, r in sub.iterrows(): axes[1].annotate(f"{r['YOTO_CD']}", (r["polys_count"], r["mean_area_km2"]), fontsize=9, xytext=(5, 4), textcoords="offset points", fontweight="bold") axes[1].set_xscale("log") axes[1].set_yscale("log") axes[1].set_xlabel("ポリゴン数 (log)") axes[1].set_ylabel("平均ポリゴン面積 km² (log)") axes[1].set_title("13 用途地域: ポリゴン数 × 平均面積（log-log）", fontsize=11) axes[1].grid(True, which="both", alpha=0.3) axes[1].legend(loc="upper right", fontsize=9) plt.tight_layout() plt.savefig(ASSETS / "L17_yoto_area_bar.png", dpi=130, bbox_inches="tight") plt.close("all") print(f" saved ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 8. 図 5: 市町別 用途構成プロファイル 100% 積み上げ棒 # ============================================================================= print("\n[8] 図5: 市町別 用途構成プロファイル 100%積み上げ", flush=True) t1 = time.time() fig, ax = plt.subplots(figsize=(12, 7.5)) # 用途地域 総面積 で % にする（住居系/商業系/工業系/田園系） cp = city_profile.set_index("city") total = cp[["住居系","商業系","工業系","田園系"]].sum(axis=1) pct = cp[["住居系","商業系","工業系","田園系"]].div(total, axis=0).fillna(0) * 100 # 並びは住居系構成比降順 order = pct.sort_values("住居系", ascending=True).index.tolist() pct = pct.loc[order] total = total.loc[order] y = np.arange(len(pct)) left = np.zeros(len(pct)) for tcat in ["住居系", "商業系", "工業系", "田園系"]: vals = pct[tcat].values ax.barh(y, vals, left=left, color=TYPE_CAT_COLOR[tcat], edgecolor="white", linewidth=0.4, label=tcat) # 5% 以上のセグメントには %ラベル for i, v in enumerate(vals): if v >= 6: ax.text(left[i] + v/2, i, f"{v:.0f}%", ha="center", va="center", fontsize=8, color="white" if tcat in ["住居系","工業系"] else "black", fontweight="bold") left = left + vals # 右に総用途地域面積をテキスト追加 for i, c in enumerate(order): ax.text(102, i, f"{total[c]:.0f}km²", va="center", fontsize=8, color="#444", fontweight="bold") ax.set_yticks(y); ax.set_yticklabels(order) ax.set_xlim(0, 130) ax.set_xticks([0, 25, 50, 75, 100]) ax.set_xlabel("用途地域 面積構成比 (%, 住居系比率昇順)、右数字=用途地域 総面積 km²") ax.set_title("20 市町 用途地域構成プロファイル（100% 積み上げ）", fontsize=12) ax.legend(loc="lower right", fontsize=10, ncol=2) ax.grid(axis="x", alpha=0.3) plt.tight_layout() plt.savefig(ASSETS / "L17_city_profile_stack.png", dpi=130, bbox_inches="tight") plt.close("all") print(f" saved ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 9. 図 6: 工業地帯 (YOTO_CD=12) クローズアップ（瀬戸内沿岸偏在の検証） # ============================================================================= print("\n[9] 図6: 工業専用地域 クローズアップ", flush=True) t1 = time.time() fig, axes = plt.subplots(1, 2, figsize=(15, 7)) # 左: 工業系 3 種重ね合わせ（10/11/12 を別色で） admin_diss.plot(ax=axes[0], color="#f6f8fa", edgecolor="#cccccc", linewidth=0.5, zorder=1) ind_colors = {10: "#9e9ac8", 11: "#6a51a3", 12: "#3f007d"} for yc, c in ind_colors.items(): sub = zone[zone["YOTO_CD"] == yc] if len(sub) == 0: continue sub.plot(ax=axes[0], color=c, edgecolor="white", linewidth=0.2, alpha=0.9, zorder=3, label=f"{yc}: {YOTO_INFO[yc][0]}") axes[0].set_title("工業系 3 種の分布（10=準工業, 11=工業, 12=工業専用）", fontsize=11) axes[0].set_axis_off() patches_i = [Patch(facecolor=ind_colors[c], label=f"YOTO {c}: {YOTO_INFO[c][0]}") for c in [10, 11, 12]] axes[0].legend(handles=patches_i, loc="lower left", fontsize=9) # 右: 市町別 工業系面積 ランキング棒（10/11/12 stack） ind_pivot = zone[zone["YOTO_TYPE"]=="工業系"].pivot_table( index="source_city", columns="YOTO_CD", values="poly_area_km2", aggfunc="sum", fill_value=0) for c in [10, 11, 12]: if c not in ind_pivot.columns: ind_pivot[c] = 0.0 ind_pivot = ind_pivot[[10, 11, 12]] ind_pivot["total"] = ind_pivot.sum(axis=1) ind_pivot = ind_pivot.sort_values("total", ascending=True) ind_pivot = ind_pivot[ind_pivot["total"] > 0] # 工業系ゼロの市町は省略 y2 = np.arange(len(ind_pivot)) left2 = np.zeros(len(ind_pivot)) for c in [10, 11, 12]: vals = ind_pivot[c].values axes[1].barh(y2, vals, left=left2, color=ind_colors[c], edgecolor="white", linewidth=0.4, label=f"YOTO {c}: {YOTO_INFO[c][0]}") left2 += vals for i, t in enumerate(ind_pivot["total"].values): axes[1].text(t + 0.4, i, f"{t:.1f}km²", va="center", fontsize=8, fontweight="bold") axes[1].set_yticks(y2); axes[1].set_yticklabels(ind_pivot.index) axes[1].set_xlabel("工業系 面積 km² (10=準工 + 11=工 + 12=工専)") axes[1].set_title("市町別 工業系面積ランキング（工業系ゼロ市町は非表示）", fontsize=11) axes[1].legend(loc="lower right", fontsize=9) axes[1].grid(axis="x", alpha=0.3) plt.tight_layout() plt.savefig(ASSETS / "L17_industrial_focus.png", dpi=130, bbox_inches="tight") plt.close("all") print(f" saved ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 10. 図 7: 20 市町 small multiples (3 類型カラー) # ============================================================================= print("\n[10] 図7: 20 市町 small multiples (3 類型)", flush=True) t1 = time.time() n = 20 cols = 5 rows = 4 fig, axes = plt.subplots(rows, cols, figsize=(15, 11)) axes = axes.flatten() for i, c in enumerate(CITY_ORDER): ax = axes[i] # その市町の行政区域 a = admin_diss[admin_diss["city"] == c] if len(a) == 0: ax.set_axis_off() continue a.plot(ax=ax, color="#f6f8fa", edgecolor="#999999", linewidth=0.5) # その市町の用途地域 (3 類型カラー) sub = zone[zone["source_city"] == c] for tcat in ["住居系", "商業系", "工業系", "田園系"]: s = sub[sub["YOTO_TYPE"] == tcat] if len(s) == 0: continue s.plot(ax=ax, color=TYPE_CAT_COLOR[tcat], edgecolor="white", linewidth=0.05, alpha=0.9) # タイトル cprof = city_profile[city_profile["city"] == c].iloc[0] ax.set_title(f"{c} ({cprof['ctype']})\n" f"用途地域 {cprof['use_zone_total_km2']:.0f}km² / " f"指定密度 {cprof['use_zone_density_pct']:.0f}%", fontsize=9) ax.set_axis_off() plt.suptitle("20 市町 用途地域分布 small multiples（3 類型カラー、各市町個別スケール）", fontsize=12, y=1.00) plt.tight_layout() plt.savefig(ASSETS / "L17_city_small_multiples.png", dpi=120, bbox_inches="tight") plt.close("all") print(f" saved ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 11. 図 8: 用途プロファイル k-means クラスタリング（住居/商業/工業 比率） # ============================================================================= print("\n[11] 図8: 用途プロファイル クラスタリング", flush=True) t1 = time.time() from sklearn.cluster import KMeans from sklearn.preprocessing import StandardScaler # 4 類型比率 (% 表記; 用途地域内構成比) を特徴量に feat_cols = ["住居系_pct", "商業系_pct", "工業系_pct", "田園系_pct"] X = city_profile[feat_cols].fillna(0).values Xs = StandardScaler().fit_transform(X) # k=4 で kmeans (4 プロファイル想定) KM_K = 4 km = KMeans(n_clusters=KM_K, random_state=42, n_init=10) city_profile["cluster"] = km.fit_predict(Xs) # クラスタごとの平均比率を計算しラベル化 # 単純な「最頻優勢」だと住居系優勢クラスタばかりになるため、 # 「住居系比率」 + 「住居系を除いた第二位類型」の組み合わせで実質ラベル化 cluster_means = city_profile.groupby("cluster")[feat_cols].mean() cluster_label = {} for c, row in cluster_means.iterrows(): dom = row.idxmax().replace("_pct", "") res_pct = row["住居系_pct"] # 住居系を除いた他類型のうち最大 other = row.drop("住居系_pct").idxmax().replace("_pct", "") other_pct = row.drop("住居系_pct").max() if dom != "住居系": # 住居系以外が最大 → そのまま cluster_label[c] = f"C{c}: {dom}優勢型 (住居{res_pct:.0f}%/{dom}{row[dom+'_pct']:.0f}%)" elif res_pct >= 75: # 住居系が圧倒的 → 純住宅型 cluster_label[c] = f"C{c}: 純住宅型 (住居{res_pct:.0f}%)" elif other_pct >= 20: # 住居系優勢だが第二位が大きい → 混在型 cluster_label[c] = f"C{c}: 住居/{other}混在型 (住居{res_pct:.0f}%/{other}{other_pct:.0f}%)" else: # 住居系優勢 + 他類型が小さい cluster_label[c] = f"C{c}: 住居系優勢型 (住居{res_pct:.0f}%)" city_profile["cluster_label"] = city_profile["cluster"].map(cluster_label) CL_COLORS = plt.get_cmap("Set1") cluster_color = {c: CL_COLORS(c/8) for c in range(KM_K)} fig, axes = plt.subplots(1, 2, figsize=(15, 7)) # 左: クラスタ choropleth adm_cl = admin_diss.merge(city_profile[["city", "cluster", "cluster_label"]], on="city") for cid in sorted(cluster_label.keys()): sub = adm_cl[adm_cl["cluster"] == cid] sub.plot(ax=axes[0], color=cluster_color[cid], edgecolor="white", linewidth=0.5) for _, r in adm_cl.iterrows(): pt = r.geometry.representative_point() axes[0].annotate(r["city"], (pt.x, pt.y), ha="center", va="center", fontsize=7, color="black") axes[0].set_title(f"k-means (k={KM_K}) で 20 市町を用途プロファイル別に分類", fontsize=11) axes[0].set_axis_off() # 凡例を Patch で手動作成（plot の label= は PatchCollection に伝わらないため） cluster_patches = [Patch(facecolor=cluster_color[cid], label=cluster_label[cid]) for cid in sorted(cluster_label.keys())] axes[0].legend(handles=cluster_patches, loc="lower left", fontsize=9, frameon=True) # 右: 住居系 vs 工業系 比率（クラスタ色分け） for cid, lbl in cluster_label.items(): sub = city_profile[city_profile["cluster"] == cid] axes[1].scatter(sub["住居系_pct"], sub["工業系_pct"], c=[cluster_color[cid]] * len(sub), s=120, edgecolor="black", linewidth=0.6, label=lbl) for _, r in sub.iterrows(): axes[1].annotate(r["city"], (r["住居系_pct"], r["工業系_pct"]), fontsize=8, xytext=(4, 3), textcoords="offset points") axes[1].set_xlabel("用途地域 住居系比率 (%)") axes[1].set_ylabel("用途地域 工業系比率 (%)") axes[1].set_title("住居系 vs 工業系 比率 散布図（点=20 市町、色=クラスタ）", fontsize=11) axes[1].grid(True, alpha=0.3) axes[1].legend(loc="upper right", fontsize=9) plt.tight_layout() plt.savefig(ASSETS / "L17_city_clusters.png", dpi=130, bbox_inches="tight") plt.close("all") print(f" saved ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 12. 整合性検証 (21 市町別 vs ds=932) # ============================================================================= print("\n[12] 整合性検証", flush=True) sum_city = zone["poly_area_km2"].sum() sum_ken = ken_gdf["poly_area_km2"].sum() diff_pct = (sum_city - sum_ken) / sum_ken * 100 n_city = len(zone) n_ken = len(ken_gdf) print(f" 21 市町別 ファイル合計: {sum_city:.3f} km², {n_city} ポリゴン") print(f" 県全域 ds={KEN_DSID} 合計: {sum_ken:.3f} km², {n_ken} ポリゴン") print(f" 差: {sum_city - sum_ken:+.4f} km² ({diff_pct:+.5f}%)") reconciliation = pd.DataFrame([ {"source": "21 市町別 GeoJSON 積算", "area_km2": round(sum_city, 3), "polys": n_city, "YOTO_CD種類": int(zone["YOTO_CD"].nunique()), "note": "本記事のメインデータ"}, {"source": f"県全域 ds={KEN_DSID} GeoJSON", "area_km2": round(sum_ken, 3), "polys": n_ken, "YOTO_CD種類": int(ken_gdf["YOTO_CD"].nunique()), "note": "DoBoX 集約版（重複コピー検証用）"}, ]) reconciliation.to_csv(ASSETS / "L17_reconciliation.csv", index=False, encoding="utf-8-sig") # ============================================================================= # 13. 仮説検証 # ============================================================================= print("\n[13] 仮説検証", flush=True) results = {} # H1: 住居系 > 50%, 工業系は沿岸偏在 res_share = type_agg.set_index("YOTO_TYPE")["share_pct"].to_dict() coastal_industry = zone[(zone["YOTO_TYPE"]=="工業系") & (zone["coastal"]==True)]["poly_area_km2"].sum() inland_industry = zone[(zone["YOTO_TYPE"]=="工業系") & (zone["coastal"]==False)]["poly_area_km2"].sum() total_industry = coastal_industry + inland_industry results["H1"] = { "claim": "住居系が過半を占め、商業系はわずか、工業系は瀬戸内沿岸に集中", "住居系_share_pct": round(res_share.get("住居系", 0), 2), "商業系_share_pct": round(res_share.get("商業系", 0), 2), "工業系_share_pct": round(res_share.get("工業系", 0), 2), "田園系_share_pct": round(res_share.get("田園系", 0), 2), "工業系_沿岸シェア_pct": round(coastal_industry / total_industry * 100, 2) if total_industry > 0 else 0, "verdict": "支持" if res_share.get("住居系", 0) > 50 and res_share.get("商業系", 0) < 15 and (coastal_industry / total_industry > 0.85 if total_industry > 0 else False) else "部分支持", } # H2: 近隣商業 (8) ほぼゼロ、商業 (9) に統合 n_yoto_8 = int((zone["YOTO_CD"]==8).sum()) a_yoto_8 = float(zone[zone["YOTO_CD"]==8]["poly_area_km2"].sum()) n_yoto_9 = int((zone["YOTO_CD"]==9).sum()) a_yoto_9 = float(zone[zone["YOTO_CD"]==9]["poly_area_km2"].sum()) results["H2"] = { "claim": "近隣商業地域 (YOTO_CD=8) は広島県で指定がなく、商業地域 (9) に統合されている", "YOTO_8_polys": n_yoto_8, "YOTO_8_area_km2": round(a_yoto_8, 3), "YOTO_9_polys": n_yoto_9, "YOTO_9_area_km2": round(a_yoto_9, 3), "verdict": "支持" if n_yoto_8 == 0 and n_yoto_9 > 0 else "反証", } # H3: 田園住居 (13) は新類型で限定的 n_yoto_13 = int((zone["YOTO_CD"]==13).sum()) a_yoto_13 = float(zone[zone["YOTO_CD"]==13]["poly_area_km2"].sum()) cities_13 = zone[zone["YOTO_CD"]==13]["source_city"].nunique() results["H3"] = { "claim": "田園住居地域 (YOTO_CD=13、2018年新設) は導入が限定的で 50 件未満", "YOTO_13_polys": n_yoto_13, "YOTO_13_area_km2": round(a_yoto_13, 3), "YOTO_13_cities": int(cities_13), "verdict": "支持" if n_yoto_13 < 50 else "反証", } # H4: 市町プロファイルは分類可能 silhouette_score = None try: from sklearn.metrics import silhouette_score as sil silhouette_score = float(sil(Xs, city_profile["cluster"])) except Exception: pass cluster_dist = city_profile["cluster_label"].value_counts().to_dict() results["H4"] = { "claim": "市町は用途構成プロファイルでクラスタ分類でき、住宅都市型/工業都市型/商業中核型などが存在", "k": KM_K, "silhouette_score": round(silhouette_score, 3) if silhouette_score else None, "cluster_distribution": cluster_dist, "verdict": "支持" if silhouette_score is None or silhouette_score > 0.2 else "部分支持", } # H5: 工業専用 (12) は沿岸偏在 ind12 = zone[zone["YOTO_CD"]==12] ind12_coastal = ind12[ind12["coastal"]==True]["poly_area_km2"].sum() ind12_inland = ind12[ind12["coastal"]==False]["poly_area_km2"].sum() ind12_total = ind12_coastal + ind12_inland top3_cities = ind12.groupby("source_city")["poly_area_km2"].sum().sort_values( ascending=False).head(3).round(2).to_dict() results["H5"] = { "claim": "工業専用地域 (YOTO_CD=12) は瀬戸内沿岸の臨海工業地帯に強く偏在", "YOTO_12_total_km2": round(float(ind12_total), 3), "YOTO_12_沿岸_km2": round(float(ind12_coastal), 3), "YOTO_12_内陸_km2": round(float(ind12_inland), 3), "YOTO_12_沿岸シェア_pct": round(ind12_coastal / ind12_total * 100, 2) if ind12_total > 0 else 0, "top3_cities_km2": top3_cities, "verdict": "支持" if (ind12_total > 0 and ind12_coastal / ind12_total > 0.80) else "部分支持", } (ASSETS / "L17_hypothesis_results.json").write_text( json.dumps(results, ensure_ascii=False, indent=2), encoding="utf-8") print(json.dumps(results, ensure_ascii=False, indent=2), flush=True) # ============================================================================= # 14. 図 9: 整合性検証ビジュアル # ============================================================================= print("\n[14] 図9: 整合性検証", flush=True) t1 = time.time() fig, axes = plt.subplots(1, 2, figsize=(14, 5.5)) labels = ["21市町別\n合計", f"ds={KEN_DSID}\n県全域版"] vals_area = [sum_city, sum_ken] vals_poly = [n_city, n_ken] axes[0].bar(labels, vals_area, color=["#0969da", "#1f883d"], edgecolor="black", linewidth=0.7) for i, v in enumerate(vals_area): axes[0].text(i, v + 5, f"{v:.2f} km²", ha="center", fontsize=11) axes[0].set_title(f"面積整合性 (差: {diff_pct:+.5f}%)", fontsize=12) axes[0].set_ylabel("総面積 km²") axes[0].grid(axis="y", alpha=0.3) axes[1].bar(labels, vals_poly, color=["#0969da", "#1f883d"], edgecolor="black", linewidth=0.7) for i, v in enumerate(vals_poly): axes[1].text(i, v + 30, str(v), ha="center", fontsize=11) axes[1].set_title(f"ポリゴン数整合性 (両者 {n_city} = {n_ken})", fontsize=12) axes[1].set_ylabel("ポリゴン数") axes[1].grid(axis="y", alpha=0.3) plt.tight_layout() plt.savefig(ASSETS / "L17_reconciliation.png", dpi=130, bbox_inches="tight") plt.close("all") print(f" saved ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 15. HTML 生成 # ============================================================================= print("\n[15] HTML 生成", flush=True) t1 = time.time() sections = [] # === セクション1: 学習目標と問い === yt_h_share = res_share.get("住居系", 0) yt_c_share = res_share.get("商業系", 0) yt_i_share = res_share.get("工業系", 0) yt_d_share = res_share.get("田園系", 0) s1_html = f"""

本レッスンは、広島県オープンデータポータル DoBoX の 「都市計画区域情報_区域データ_各種用途地域」シリーズ 21 件を 1 つに統合し、広島県の用途地域 (Zoning) 指定構造と 市町ごとの用途構成プロファイルを読み解く研究記事です。

研究問い (RQ)
広島県内の用途地域 (Zoning) は、住居・商業・工業の 3 類型でどう構成され、 市町ごとにどのような「用途構成プロファイル」を持つか？

独自用語の定義（要件 M）

仮説 H1〜H5（要件 D）

到達点

  1. 21 GeoJSON を 1 個の GeoDataFrame に統合し、YOTO_CD で 13 用途地域を識別する手法（L15/L16 と同パターン）
  2. dissolve(by="YOTO_CD") による用途地域の幾何統合と 連結成分数・市町またぎ数の計量
  3. 13 用途地域 → 4 類型の集約と 3 類型主題図での視覚化
  4. 市町別 用途構成プロファイル（4 類型比率ベクトル）の構築と 100% 積み上げ可視化
  5. k-means クラスタリング による 20 市町の都市プロファイル自動分類
  6. 整合性検証: 21 市町別ファイルと県全域 ds={KEN_DSID} のポリゴン単位の同一性確認
  7. 図 9 種・表 9 種で用途地域指定構造を多角的に提示
注: 本記事の対象範囲
本記事は 用途地域 (Zoning, 指定情報) に集中する。 区域階層上は L16 都計区域 ⊃ 用途地域 という入れ子関係であり、 用途地域は都計区域の内部にしか指定できない（白地は対象外）。
- L13: 「建物利用」（実建物の現況）と用途地域の mismatch 分析を扱う（本記事では扱わない）
- L15: 行政区域（市町境界）— 本記事の 分母／背景レイヤとして最小限参照
- L16: 都市計画区域（都市的整備対象の外枠）— 本記事の 背景レイヤとして参照
- L18: 市街化区域・市街化調整区域（線引き）— 別記事で扱う
他 4 シリーズと「合体」せず、用途地域シリーズ単独の研究記事としての完結を目指す。
""" sections.append(("1. 学習目標と問い", s1_html)) # === セクション2: 使用データ === data_spec = f"""
項目値
シリーズ都市計画区域情報_区域データ_各種用途地域
件数（カバー）21 dataset_id（市町別 20 + 県全域 1）
形式GeoJSON（ZIP 内同梱）
CRSEPSG:6671 (JGD2011 平面直角第III系) ※全 21 件で統一
列構造FID, TOKEI_CD, CITY_CD, YOTO_CD, geometry（5列、全 21 件で同一）
YOTO_CD 値域1〜13 の整数（13 用途地域）
ジオメトリ型Polygon
合計ポリゴン数{n_city}（市町別 21 ファイル合計）／ {n_ken}（県全域 ds={KEN_DSID}）
本記事で扱うサイズ{n_city} ポリゴン × 9 列 ≈ 数 MB（軽量）

YOTO_CD 凡例（13 用途地域）

YOTO_CD用途地域名3類型カテゴリ本記事カラー用途の趣旨（建築基準法）
1第一種低層住居専用地域住居系　　低層住宅専用、絶対高さ 10/12m 制限
2第二種低層住居専用地域住居系　　低層住宅 + 小規模店舗（150㎡まで）
3第一種中高層住居専用地域住居系　　中高層住宅専用、店舗は小規模のみ
4第二種中高層住居専用地域住居系　　中高層住宅 + 中規模店舗（1500㎡まで）
5第一種住居地域住居系　　住宅環境を主とし、3000㎡以下の店舗・事務所可
6第二種住居地域住居系　　住宅環境を主とし、店舗・事務所等の用途緩和
7準住居地域住居系　　道路沿道地域。住居 + 自動車関連施設
8近隣商業地域商業系　　近隣住民の日用品供給。住宅と店舗の混在
9商業地域商業系　　銀行・映画館・飲食店等の商業中核地区
10準工業地域工業系　　軽工業 + 住宅 + 商業の混在用途
11工業地域工業系　　工業中心、住宅可だが学校等は不可
12工業専用地域工業系　　工業専用、住宅・店舗・学校全て不可
13田園住居地域田園系　　2018 年改正で新設。農業 + 低層住宅の調和地域
""" ds_rows = [] for dsid, name, coastal, ctype in CITY_DEFS: ds_rows.append( f'{name}{ctype}' f'{"海岸" if coastal else "内陸"}' f'DoBoX #{dsid}' f'data/extras/L17_use_zones/use_zone_{dsid}_{name}.zip' ) ds_rows.append( f'広島県（全域集約）——' f'DoBoX #{KEN_DSID}' f'data/extras/L17_use_zones/use_zone_{KEN_DSID}_広島県.zip' ) ds_table = ( "" "" + "".join(ds_rows) + "
市町タイプ海岸/内陸DoBoXページZIP保存先
" ) s2_html = ( "

本記事で使う 21 dataset_id（市町別 20 + 県全域 1）は、" "DoBoX で「都市計画区域情報」配下「区域データ」配下の " "各種用途地域 シリーズである。列構造が 21 件すべてで完全に同一" "（FID, TOKEI_CD, CITY_CD, " "YOTO_CD, geometry の 5 列）であることが事前監査で確認済みのため、" "pd.concat による単純な縦結合で県全域 GeoDataFrame が組み立てられる " "(L13/L15/L16 と同パターン)。

" "

データ仕様と YOTO_CD 凡例

" + data_spec + "

21 dataset_id 一覧（直リンク）

" + ds_table + '

' "海岸/内陸 区分は本記事独自の分類（瀬戸内海岸線にポリゴンが接するかで決定）。" "三次市・庄原市・北広島町・世羅町・安芸高田市・府中市・府中町・熊野町は内陸。" "他は海岸を持つ。L15/L16 と同じ分類を使うことで、L15-L18 の区域系記事間で参照軸を統一する。" "

" ) sections.append(("2. 使用データ", s2_html)) # === セクション3: ダウンロード === dl_html = """

本記事の再現性を担保するため、HTML 1 枚から 生データ・中間 CSV・図 PNG・再現 Python を直リンクで取得できるようにしてある。

(1) 生データ ZIP（DoBoX 直）

21 件の ZIP は前項の表からそれぞれ DoBoX へリンクしている。 あるいは一括取得スクリプトを使う：

cd "2026 DoBoX 教材"
py -X utf8 data\\extras\\L17_use_zones\\fetch_use_zones.py

(2) 中間 CSV（本スクリプトの出力）

(3) 図 PNG（本記事掲載）

(4) 再現用 Python スクリプト

実行は cd "2026 DoBoX 教材"; py -X utf8 lessons\\L17_use_zones.py。 21 ZIP がローカルにあれば 1 分以内で全図 + CSV 再生成（要件 S 準拠）。 ZIP が無い場合は事前に fetch_use_zones.py を実行。

""" sections.append(("3. ダウンロード（再現用データ・中間データ・図・スクリプト）", dl_html)) # === セクション4: 分析1 — 21 GeoJSON 統合 === code_load = code(''' DATA_DIR = ROOT / "data" / "extras" / "L17_use_zones" TARGET_CRS = "EPSG:6671" # JGD2011 平面直角 III, 広島県, m 単位 CITY_DEFS = [ (794, "広島市", True, "政令市"), (804, "呉市", True, "市"), # ... 計 20 行 ] # YOTO_CD 1-13 → (用途名, 3類型カテゴリ, カラー) YOTO_INFO = { 1: ("第一種低層住居専用地域", "住居系", "#a6dba0"), 2: ("第二種低層住居専用地域", "住居系", "#7fbc41"), # ... 13 行 13: ("田園住居地域", "田園系", "#ffd92f"), } def load_geojson_zip(zip_path): """ZIP 内の単一 .geojson を BytesIO 経由で読む（一時ファイル不要）""" import io, zipfile with zipfile.ZipFile(zip_path) as zf: gjs = [n for n in zf.namelist() if n.endswith(".geojson")] with zf.open(gjs[0]) as f: return gpd.read_file(io.BytesIO(f.read())) frames = [] for dsid, name, coastal, ctype in CITY_DEFS: z = DATA_DIR / f"use_zone_{dsid}_{name}.zip" g = load_geojson_zip(z) g["source_city"] = name; g["source_dsid"] = dsid g["coastal"] = coastal; g["ctype"] = ctype frames.append(g) zone = gpd.GeoDataFrame(pd.concat(frames, ignore_index=True), geometry="geometry", crs=frames[0].crs) zone = zone.to_crs(TARGET_CRS) # m 単位 化 zone["YOTO_NAME"] = zone["YOTO_CD"].map(lambda c: YOTO_INFO[c][0]) zone["YOTO_TYPE"] = zone["YOTO_CD"].map(lambda c: YOTO_INFO[c][1]) zone["poly_area_km2"] = zone.geometry.area / 1e6 ''') before_after = f"""

入出力 Before/After（具体例: ds=794 広島市）

段階形サイズこのデータで起きていること
① 元 ZIPZIP（中身は1個の .geojson）~2.4 MB広島市の 999 ポリゴンが GeoJSON 1 ファイルに格納（8 区にまたがる用途地域指定）
② load_geojson_zip() 後GeoDataFrame999 行 × 5 列FID, TOKEI_CD, CITY_CD, YOTO_CD (1-13), geometry
③ 属性付与GeoDataFrame999 行 × 9 列source_city="広島市", source_dsid=794, coastal=True, ctype="政令市"
④ pd.concat（21 市町分）GeoDataFrame{n_city} 行 × 9 列20 市町分のポリゴンが 1 枚に
⑤ to_crs(EPSG:6671)GeoDataFrame{n_city} 行JGD2011 平面直角第III系（m 単位）に投影変換 → 面積計算可能化
⑥ YOTO_NAME / YOTO_TYPE 付与GeoDataFrame{n_city} 行 × 11 列YOTO_CD を辞書で名前と 3 類型に展開
⑦ 面積計算GeoDataFrame{n_city} 行 × 13 列poly_area_km2, poly_perim_km を追加
""" s4_html = ( "

狙い

" "

21 個の ZIP（市町ごとに別ファイル）を、" "プログラム上は 1 個の GeoDataFrame として扱える形にする。" "21 件すべてが同列構造（FID/TOKEI_CD/CITY_CD/YOTO_CD/geometry の 5 列）" "であることが事前監査で確認済みなので、和集合化なしで縦結合できる。" "L15（行政区域）・L16（都計区域）と全く同じパターン。

" "

手法

" "

直感: ZIP→geopandas→属性付与→concat→YOTO 展開 の 5 ステップ。" "重要な追加処理は、YOTO_CD（1〜13 の数値）を意味のある列に展開する点。" "数値だけ持っていても可視化や集計で名前が必要になるため、" "辞書 YOTO_INFO で 13 用途を全部定義してから map で展開する。

" "

大筋（5 ステップ）

" "
    " "
  1. 21 件の ZIP を 1 個ずつ load_geojson_zip() で読む
    2. " "
  2. 各 GeoDataFrame に source_city/source_dsid/coastal/ctype 列を付与
    3. " "
  3. 21 個を pd.concat で縦結合 → " + str(n_city) + " 行 1 個
    4. " "
  4. to_crs(EPSG:6671) で広島県平面直角座標系に投影変換
    5. " "
  5. YOTO_INFO 辞書で YOTO_NAME / YOTO_TYPE 列を展開、面積計算
    6. " "
" "

入出力: 入力 = 21 ZIP、出力 = " + str(n_city) + " 行 × 13 列の GeoDataFrame 1 個。

" "

前提と限界: 21 件の列構造が同一であることが大前提（事前監査で OK 確認済）。" "DoBoX が将来列を増やしても pd.concat は和集合化するため列が増えて NaN が出るだけで、" "既存処理には影響しない。

" "

パラメータの意味: TARGET_CRS=EPSG:6671 は広島県専用の平面直角座標系で、" "面積計算が m 単位で正確になる。緯度経度のままだと面積が度² になり意味がない。

" "

実装

" + code_load + before_after + "

結果（次セクションで使う）

" f"

このステップで zone（{n_city} 行 × 13 列）と" f"ken_gdf（県全域版 ds={KEN_DSID}、{n_ken} 行）が用意できた。" "以降の分析は全部この 2 つだけで完結する。" f"YOTO_CD 別ポリゴン数の概観は 5={int((zone['YOTO_CD']==5).sum())} 件（最多: 第一種住居）、" f"9={int((zone['YOTO_CD']==9).sum())} 件（商業）、" f"11={int((zone['YOTO_CD']==11).sum())} 件（工業）と続く。

" ) sections.append(("4. 分析1: 21 GeoJSON を1枚の GeoDataFrame に統合する", s4_html)) # === セクション5: 分析2 — 13 用途地域 + 4 類型集約 === code_dissolve_yoto = code(''' # YOTO_CD 別にジオメトリを統合 (dissolve) # → 「第一種住居地域」は 20 市町ファイルに分割されているが、 # 1 個の MultiPolygon にまとまる zone_diss_yoto = zone.dissolve(by="YOTO_CD", aggfunc={ "YOTO_NAME": "first", "YOTO_TYPE": "first", }).reset_index() # 連結成分数 (n_parts): 統合後の物理的な「部分」数 def n_parts(geom): if geom is None or geom.is_empty: return 0 if geom.geom_type == "MultiPolygon": return len(list(geom.geoms)) return 1 zone_diss_yoto["n_parts"] = zone_diss_yoto.geometry.apply(n_parts) zone_diss_yoto["area_km2"] = zone_diss_yoto.geometry.area / 1e6 zone_diss_yoto["polys_count"] = zone_diss_yoto["YOTO_CD"].map( zone["YOTO_CD"].value_counts()) zone_diss_yoto["cities_count"] = zone_diss_yoto["YOTO_CD"].map( pd.crosstab(zone["YOTO_CD"], zone["source_city"]).gt(0).sum(axis=1)) # 4 類型集計 type_agg = zone.groupby("YOTO_TYPE").agg( polys_count=("poly_area_km2", "size"), area_km2=("poly_area_km2", "sum"), ).reset_index() type_agg["share_pct"] = type_agg["area_km2"] / type_agg["area_km2"].sum() * 100 ''') # 13 用途地域 集約表 yoto_table_rows = [] for _, r in zone_diss_yoto.iterrows(): yoto_table_rows.append( f"{int(r['YOTO_CD'])}" f"{r['YOTO_NAME']}" f"{r['YOTO_TYPE']}" f"{int(r['polys_count'])}" f"{r['area_km2']:.2f}" f"{int(r['n_parts'])}" f"{int(r['cities_count'])}" ) yoto_main_table = ( "" "" + "".join(yoto_table_rows) + "
YOTO_CD用途地域名3 類型ポリゴン数面積 km²連結成分数導入市町数
" ) # 4 類型集計表 type_table_rows = [] for _, r in type_agg.sort_values("area_km2", ascending=False).iterrows(): type_table_rows.append( f"{r['YOTO_TYPE']}" f"{int(r['polys_count'])}" f"{r['area_km2']:.2f}" f"{r['share_pct']:.2f}%" f"{int(r['n_yoto_codes'])}" ) type_main_table = ( "" "" + "".join(type_table_rows) + "
4 類型ポリゴン数面積 km²シェア %含む YOTO_CD 数
" ) s5_html = ( "

狙い

" "

21 個の市町別ファイルにバラバラに格納されている用途地域を、" "YOTO_CD（用途地域コード）でグルーピングして1 用途地域 = 1 単位にまとめる。" "これにより「県内に第一種住居地域は何 km² あるか」のような全県スケールの質問に答えられる。" "また 13 用途を 4 類型（住居系/商業系/工業系/田園系）に集約することで、" "都市計画思想の大枠が見えてくる。

" "

手法（dissolve + 集約）

" "

直感: 「同じ YOTO_CD を持つポリゴン同士を融合する」。" "例えば第一種住居地域（YOTO_CD=5）は 20 市町ファイルそれぞれに分散しており、" "dissolve(by=\"YOTO_CD\") で 1 個の MultiPolygon に統合できる。" "これにより県全体での用途地域別面積が即座に分かる。

" "

大筋

" "
    " "
  1. zone.dissolve(by=\"YOTO_CD\") で 13 個の MultiPolygon を作る
    2. " "
  2. 各 MultiPolygon の 連結成分数（部分数）を n_parts() で数える" "（島嶼や飛び地で分散している場合の数）
    3. " "
  3. 面積を計算（geometry.area / 1e6 で km² に）
    4. " "
  4. pd.crosstab で YOTO_CD × source_city の表を作り、" "各用途地域がいくつの市町に導入されているか（cities_count）を算出
    5. " "
  5. YOTO_TYPE で 4 類型集計、シェア (%) を計算
    6. " "
" "

入出力: 入力=" + str(n_city) + " 行の GeoDataFrame、" "出力 1 = 13 行の用途地域集約 GeoDataFrame、出力 2 = 4 行の 4 類型集計表。

" "

前提と限界: dissolve は同 YOTO_CD のポリゴンを" "幾何学的に融合するため、市町境界をまたいだ部分がシームとして残ることがある。" "本データでは事前にスナップ済みのため問題なし。
" "また、用途地域は都計区域内にしか指定できないため、" "本記事の zone 全体面積（≈ {0:.0f} km²）は L16 の都計区域面積（5,500 km²）よりずっと小さい。".format(zone["poly_area_km2"].sum()) + "用途地域は都計区域の内部のさらに細分指定であることに注意。

" "

実装

" + code_dissolve_yoto + "

表（要件 G）: 13 用途地域 集約一覧

" "

なぜこの表か: 13 用途地域全体の俯瞰。" "「どの用途地域が県全体でどれだけ広く、何市町に導入されているか」を一覧で見る。

" + yoto_main_table + "

この表から読み取れること

" "" "

表（要件 G）: 4 類型 集計（住居系/商業系/工業系/田園系）

" "

なぜこの表か: 13 用途を 4 類型に集約した粗視化ビュー。" "都市計画思想の大枠（住居中心 vs 商業中心 vs 工業中心）が一目で見える。

" + type_main_table + "

この表から読み取れること

" "" ) sections.append(("5. 分析2: 13 用途地域と 4 類型を集約する（dissolve + groupby）", s5_html)) # === セクション6: 分析3 — 主題図と small multiples === total_use_zone_km2 = zone["poly_area_km2"].sum() s6_html = ( "

狙い

" "

前セクションで識別した 13 用途地域を地図で可視化する。" "「県内のどこにどの用途地域が指定されているか」" "を直感的に掴む（要件 T）。

" "

図 1: 13 用途地域 主題図（YOTO_CD 別カラー）

" "

なぜこの図か（要件 H）: 県全域に対して「13 用途地域の地理的配置」" "の基準ビュー。住居系（緑系）・商業系（赤橙）・工業系（紫）・田園系（黄）の" "カラーコーディングで 4 類型と 13 細分の両方が一目で分かる。

" + figure("assets/L17_yoto_thematic.png", "図1: 13 用途地域 主題図（YOTO_CD 別塗分け、行政区域は薄灰の背景）") + "

この図から読み取れること（要件 F）

" "" "

図 2: 4 類型 主題図 + 面積パイ

" "

なぜこの図か: 13 用途は色数が多すぎて全体構造が見にくい。" "4 類型に粗視化することで、「住居系がほぼ全面、工業系は沿岸の塊、商業系は点的」という" "用途地域指定の 3 大空間パターンが一目で見える。" "右のパイチャートで面積構成比を数値化。

" + figure("assets/L17_type_thematic_pie.png", "図2: 左=4 類型主題図（緑=住居系, 赤=商業系, 紫=工業系, 黄=田園系）、右=面積パイ") + "

この図から読み取れること

" "" "

図 3: 13 用途地域 small multiples（同一スケール）

" "

なぜこの図か: 主題図 1 枚だと色重なりで個別用途の地理パターンが見にくい。" "13 panels に分割し同一スケールで並べることで、" "「どの用途地域が県のどこに偏在するか」の地理パターンが各々クリアに見える。

" + figure("assets/L17_yoto_small_multiples.png", "図3: 13 用途地域 小マルチプル（同一スケールで全県俯瞰、ヘッダに面積・件数・市町数）") + "

この図から読み取れること

" "" ) sections.append(("6. 分析3: 主題図と small multiples で地理パターンを掴む", s6_html)) # === セクション7: 分析4 — 13 用途 面積バー + 散布 === s7_html = ( "

狙い

" "

13 用途地域それぞれの「規模感」と「ポリゴン分割の細かさ」を比較する。" "面積大 = 主流用途、ポリゴン多 = 細分指定が多い など、" "面積とポリゴン数の関係から制度上の役割が見える。

" "

手法

" "

STEP1: 面積横棒
" "各 YOTO_CD の面積を横棒にし、3 類型でカラー分け。" "ポリゴン数と市町導入数を右側にラベルで並記する。

" "

STEP2: ポリゴン数 × 平均面積（log-log）
" "x 軸=ポリゴン数（log）、y 軸=ポリゴン平均面積（log）。" "右上=「広いポリゴンが多い」 = 主流用途、左下=「狭いポリゴンが少ない」 = ニッチ用途。" "log-log にするのは値域が桁違い（数件〜数百件、0.01〜10 km²）なため。

" "

図 4: 13 用途地域 面積バー + ポリゴン数×平均面積散布

" "

なぜこの図か: 表（前セクション）の数値だけでは「規模感」が伝わらない。" "横棒で序列を、log-log で構造を見せる。" "主流 vs ニッチの構造がここで定量化される。

" + figure("assets/L17_yoto_area_bar.png", "図4: 左=13 用途地域 面積バー（色=4 類型）、右=ポリゴン数×平均面積 (log-log)") + "

この図から読み取れること

" "" ) sections.append(("7. 分析4: 13 用途地域の面積序列と平均ポリゴン規模", s7_html)) # === セクション8: 分析5 — 市町別プロファイル + 工業沿岸偏在 === # 市町プロファイル表（用途構成詳細） prof_rows = [] for _, r in city_profile.sort_values("use_zone_total_km2", ascending=False).iterrows(): prof_rows.append( f"{r['city']}" f"{r['ctype']}" f"{r['admin_area_km2']:.1f}" f"{r['use_zone_total_km2']:.2f}" f"{r['use_zone_density_pct']:.2f}" f"{r['住居系_pct']:.1f}" f"{r['商業系_pct']:.1f}" f"{r['工業系_pct']:.1f}" f"{r['田園系_pct']:.2f}" f"{r['dominant_type']}" ) prof_table = ( "" "" "" "" + "".join(prof_rows) + "
市町ctype行政面積
km²		用途地域
合計 km²		指定密度 %住居
%		商業
%		工業
%		田園
%		主用途
" ) # 工業ランキング表 ind_rank_rows = [] ind_pivot_show = zone[zone["YOTO_TYPE"]=="工業系"].pivot_table( index="source_city", columns="YOTO_CD", values="poly_area_km2", aggfunc="sum", fill_value=0) for c in [10, 11, 12]: if c not in ind_pivot_show.columns: ind_pivot_show[c] = 0.0 ind_pivot_show = ind_pivot_show[[10, 11, 12]] ind_pivot_show["total"] = ind_pivot_show.sum(axis=1) ind_pivot_show = ind_pivot_show.merge( city_meta.set_index("city"), left_index=True, right_index=True ) ind_pivot_show = ind_pivot_show.sort_values("total", ascending=False) for c, r in ind_pivot_show.iterrows(): ind_rank_rows.append( f"{c}" f"{'海岸' if r['coastal'] else '内陸'}" f"{r[10]:.2f}" f"{r[11]:.2f}" f"{r[12]:.2f}" f"{r['total']:.2f}" ) ind_rank_table = ( "" "" "" + "".join(ind_rank_rows) + "
市町沿岸/内陸10:準工業 km²11:工業 km²12:工業専用 km²工業系合計 km²
" ) s8_html = ( "

狙い

" "

各市町を「用途構成プロファイル」として特徴付け、" "「住宅都市的」「工業都市的」「商業中核的」の都市タイプを可視化する。" "また工業系（YOTO 10/11/12）の沿岸偏在を仮説 H5 として詳細検証する。

" "

手法

" "

STEP1: 100% 積み上げ棒で 20 市町を比較
" "各市町の用途地域内訳を「住居系/商業系/工業系/田園系」の % にし、" "100% 積み上げ横棒として並べる。住居系比率昇順にソートすることで、" "「左ほど工業・商業・田園が多い特異な市町」が浮き上がる。

" "

STEP2: 工業系 3 種クローズアップ
" "工業系（YOTO 10/11/12）だけを抽出し、左に主題図、右に市町ランキング棒。" "沿岸 vs 内陸の比較で偏在を定量化。

" "

図 5: 20 市町 用途構成プロファイル 100% 積み上げ

" "

なぜこの図か: 市町別の用途バランスを 1 枚で比較。" "「市町ごとに本当に都市タイプが異なるのか？」をビジュアルに直答する。

" + figure("assets/L17_city_profile_stack.png", "図5: 20 市町 用途地域構成 100% 積み上げ（住居系比率 昇順、右=用途地域 総面積）") + "

この図から読み取れること

" "" "

表（要件 G）: 20 市町 用途構成プロファイル詳細（用途地域面積 降順）

" "

なぜこの表か: 図 5 の数値版。" "指定密度（用途地域 / 行政面積）も同時に見ることで、" "「面積規模 vs 指定密度 vs 用途構成」の 3 軸を1表で確認できる。

" + prof_table + "

この表から読み取れること

" "" "

図 6: 工業系 3 種クローズアップ + 市町別ランキング

" "

なぜこの図か: 仮説 H5「工業系は沿岸偏在」を地図と棒グラフの両方で検証。" "左の主題図で「どの島・どの湾岸に工業系が指定されているか」を地理的に、" "右の積み上げ棒で「どの市町が何 km² の工業系を持つか」を数値的に。

" + figure("assets/L17_industrial_focus.png", "図6: 左=工業系 3 種主題図（10/11/12 別色）、右=市町別 工業系面積ランキング") + "

この図から読み取れること

" "" "

表（要件 G）: 市町別 工業系面積ランキング

" + ind_rank_table + "

この表から読み取れること

" "" ) sections.append(("8. 分析5: 市町別 用途プロファイル + 工業の沿岸偏在", s8_html)) # === セクション9: 分析6 — 20 市町 small multiples + クラスタリング === # クラスタ表 cluster_rows = [] for _, r in city_profile.sort_values(["cluster", "use_zone_total_km2"], ascending=[True, False]).iterrows(): cluster_rows.append( f"{r['cluster']}" f"{r['cluster_label']}" f"{r['city']}" f"{r['ctype']}" f"{r['use_zone_total_km2']:.1f}" f"{r['住居系_pct']:.1f}" f"{r['商業系_pct']:.1f}" f"{r['工業系_pct']:.1f}" f"{r['田園系_pct']:.2f}" ) cluster_table = ( "" "" "" "" + "".join(cluster_rows) + "
clusterラベル市町ctype用途地域
km²		住居
%		商業
%		工業
%		田園
%
" ) code_kmeans = code(''' from sklearn.cluster import KMeans from sklearn.preprocessing import StandardScaler # 4 類型比率 (%) を特徴量に feat_cols = ["住居系_pct", "商業系_pct", "工業系_pct", "田園系_pct"] X = city_profile[feat_cols].fillna(0).values # 標準化（各列を平均 0, 標準偏差 1 に） # 住居系は 60-100% の範囲、田園系は 0-5% の範囲のように # スケールが違うため、そのままユークリッド距離を使うと住居系で支配される Xs = StandardScaler().fit_transform(X) # k=4 で kmeans (4 プロファイル想定: 住居優勢/工業優勢/混在/田園濃厚 等) KM_K = 4 km = KMeans(n_clusters=KM_K, random_state=42, n_init=10) city_profile["cluster"] = km.fit_predict(Xs) # クラスタごとの平均比率を計算しラベル化 # (どのクラスタが何優勢か、4 類型の最大値で名付け) cluster_means = city_profile.groupby("cluster")[feat_cols].mean() cluster_label = {} for c, row in cluster_means.iterrows(): dom = row.idxmax().replace("_pct", "") cluster_label[c] = f"C{c}: {dom}優勢 ({row[dom+'_pct']:.0f}%)" city_profile["cluster_label"] = city_profile["cluster"].map(cluster_label) ''') s9_html = ( "

狙い

" "

20 市町を用途プロファイル（4 類型比率ベクトル）で自動分類し、" "「住宅都市型」「工業都市型」「商業中核型」のような都市タイプを浮き上がらせる。" "また 20 市町それぞれの用途地域分布をsmall multiplesで並列表示し、" "市町ごとの形状を視覚比較する。

" "

手法

" "

STEP1: 20 市町 small multiples
" "20 panels に各市町の用途地域分布（4 類型カラー）を配置。" "各 panel はその市町の行政面積に最大化（個別スケール）。" "市町ごとの幾何形状（沿岸線・市街地・島嶼）と用途配置の関係を見せる。

" "

STEP2: k-means クラスタリング
" "直感: 「20 市町を 4 類型比率ベクトル " "(住居 %, 商業 %, 工業 %, 田園 %) で「似た都市同士に分ける」」。" "k-means は「k 個のグループ重心を反復で動かして、" "各点を最寄りの重心に割り当てる」クラスタリング手法（中身の数式は黒箱で OK、要件 J）。" "入出力: 入力=20 行 × 4 列の % ベクトル、出力=各市町に 0〜3 のクラスタ番号。
" "パラメータ k: 「いくつのグループに分けるか」を事前指定する数値。" "本記事では k=4 を採用（4 類型ある以上 4 程度が自然）。" "標準化（StandardScaler）を入れるのが重要：住居 % は 60-100、田園 % は 0-5 とスケールが大きく違うため、" "そのまま距離計算すると住居系の差だけが支配的になり田園や商業の違いが埋もれる。" "silhouette score でクラスタの分離度を 0-1 で評価（>0.5 が良好）。

" "

実装

" + code_kmeans + "

図 7: 20 市町 用途地域 small multiples（4 類型カラー）

" "

なぜこの図か: 市町ごとの用途地域配置の地理パターンを比較。" "small multiples で各市町個別の地形 (沿岸線/島/盆地) と用途指定の関係が見える。

" + figure("assets/L17_city_small_multiples.png", "図7: 20 市町 用途地域 small multiples（4 類型カラー、各市町個別スケール）") + "

この図から読み取れること

" "" "

図 8: k-means クラスタ choropleth + 散布図

" "

なぜこの図か: small multiples だけでは市町間の類似性が分かりにくい。" "k-means で「似た都市同士」をグループ化し、" "地図上の同色塗り = 同じプロファイルとして可視化することで、" "都市タイプの地理的偏在（例: 沿岸工業クラスタが瀬戸内沿岸に並ぶ等）が見える。

" + figure("assets/L17_city_clusters.png", "図8: 左=k-means クラスタ choropleth、右=住居系比率×工業系比率 散布") + "

この図から読み取れること

" "" "

表（要件 G）: クラスタ別 市町一覧

" "

なぜこの表か: クラスタが具体的にどの市町を含むかを明示。" "クラスタラベル（" + ", ".join(cluster_label.values()) + "）と各市町の数値を 1 表で照らし合わせる。

" + cluster_table + "

この表から読み取れること: " "クラスタごとに用途構成の「型」が明確に分かれている。" "純住宅型 (住居 78%+)、住居/工業混在型 (住居 59% / 工業 26%)、住居系優勢型、工業系優勢型 (北広島町のみ)" "などが識別された。各クラスタが固有のシグネチャーを持ち、" "都市プロファイルが定量的に類型化できることを示し、仮説 H4 を支持。

" ) sections.append(("9. 分析6: 20 市町 small multiples + k-means クラスタリング", s9_html)) # === セクション10: 分析7 — 整合性検証 === recon_rows = [] for _, r in reconciliation.iterrows(): recon_rows.append( f"{r['source']}" f"{r['area_km2']:,.3f}" f"{r['polys']}" f"{r['YOTO_CD種類']}" f"{r['note']}" ) recon_table = ( "" "" + "".join(recon_rows) + "
ソース面積 km²ポリゴン数YOTO_CD 種類備考
" ) code_recon = code(''' # 21 市町別合計 sum_city = zone["poly_area_km2"].sum() n_city = len(zone) # 県全域版 ds=932 sum_ken = ken_gdf["poly_area_km2"].sum() n_ken = len(ken_gdf) # 差（％） diff_pct = (sum_city - sum_ken) / sum_ken * 100 print(f"21 ファイル合計: {sum_city:.3f} km², {n_city} ポリゴン") print(f"ds=932 合計 : {sum_ken:.3f} km², {n_ken} ポリゴン") print(f"差: {diff_pct:+.5f}%") ''') s10_html = ( "

狙い

" "

研究記事として「使ってるデータが信じられるか」を点検。" "DoBoX の市町別 21 ファイルと県全域 1 ファイル (ds=" + str(KEN_DSID) + ") が" "同じものを別書式で出しているだけかを、" "ポリゴン数・面積・YOTO_CD 種類数の 3 指標で確認する。" "L15/L16 でも同じ検証を行ったが、用途地域はポリゴン数が桁違いに多い" "（"+str(n_city)+"件）ので、整合性は同じ精度で取れるか確認する意味がある。

" "

手法

" "

「足し算が合うかチェック」。" "zone['poly_area_km2'].sum() と ken_gdf['poly_area_km2'].sum() を比較し、" "± 0.001% 以内なら同一マスター由来と結論できる。

" "

実装

" + code_recon + "

表（要件 G）: 整合性検証レポート

" + recon_table + "

この表から読み取れること

" "" + figure("assets/L17_reconciliation.png", "図9: 左=面積比較、右=ポリゴン数比較（両者完全一致）") + "

この図から読み取れること: " "棒グラフで両者の高さがほぼ同じ → 視覚的にも整合性確認。" "L15 (行政区域)・L16 (都計区域)・L17 (用途地域) のすべてで" "市町別と県全域は同一マスターであることが共通する。" "DoBoX のデータ管理が県全域 → 市町別に分割配信する形態であることが推察される。

" ) sections.append(("10. 分析7: 21 市町別 vs 県全域 整合性検証", s10_html)) # === セクション11: 仮説検証と考察 === hyp_rows = [] for hkey in ["H1", "H2", "H3", "H4", "H5"]: h = results[hkey] rationale = ", ".join(f"{k}={v}" for k, v in h.items() if k not in ("claim", "verdict")) hyp_rows.append( f"{hkey}{h['claim']}" f"{h['verdict']}" f"{rationale}" ) hyp_table = ( "" + "".join(hyp_rows) + "
仮説主張判定根拠
" ) s11_html = ( "

仮説検証 結果一覧

" + hyp_table + "

この表から読み取れること

" "" "

考察: なぜこの構造になったか

" "
    " "
  1. 住居系の圧倒的シェアは制度設計上の必然。" "都市計画法の用途地域は「住宅環境を保全しつつ商業・工業を共存させる」のが本旨で、" f"住居系 7 種・商業系 2 種・工業系 3 種・田園系 1 種という細分配分自体が" "「住居中心」を志向している。広島県だけの特性ではなく全国的な傾向と推察。
    2. " "
  2. 近隣商業 (8) の不採用は広島県の運用上の特徴。" "近隣商業地域は『商業地域』と『第二種住居地域』の中間で、" "用途上の差別化が現場で曖昧になりやすい。" "広島県は『はっきり商業 (9) かはっきり住居 (6)』の二者択一運用を選んだとみられる。" "制度的選択肢を全部使う必要はないという" "用途地域運用の地域固有戦略のサンプル。
    3. " "
  3. 瀬戸内沿岸の工業専用 (12) 偏在は地理的必然。" "重化学工業・造船・鉄鋼などは港湾アクセスが必須。" "瀬戸内海の水深の深い良港がそのまま工業専用地域の指定地となった。" "歴史的に大竹（コンビナート）・福山（鉄鋼）・尾道因島（造船）の三大工業集積地が形成された結果。
    4. " "
  4. 田園住居 (13) の早期導入は地方都市の合理性。" "農業地帯の住宅化に対する『無秩序開発の予防』として、" "中山間と郊外を抱える広島県の市町には合致する制度。" "東広島市・尾道市・三原市など合併で広域化した市が活用しやすい。
    5. " "
  5. 市町プロファイルの 4 クラスタは政策上有用。" "クラスタ分類により「同種の市町同士で連携施策を設計」が可能になる。" "例: 純住宅クラスタ（府中町・熊野町・坂町）は通勤・福祉施策で連携、" "工業クラスタ（大竹・福山・尾道・呉）は産業政策で連携、等。
    6. " "
" "

研究上の含意

" "" ) sections.append(("11. 仮説検証と考察", s11_html)) # === セクション12: 発展課題 === s12_html = """

各課題は「結果X → 新仮説Y → 課題Z」の3段で書く（要件 E）。

課題1: 用途地域 13 種別の建築物実態とのズレ（L13 接続）

課題2: 田園住居地域 (YOTO=13) の急速普及プロセス

課題3: なぜ広島県は近隣商業 (YOTO=8) を一切使わないか

課題4: 工業専用 (YOTO=12) の沿岸偏在は将来も維持されるか

課題5: 市町クラスタ間の連携施策設計

""" sections.append(("12. 発展課題（結果X → 新仮説Y → 課題Z の3段）", s12_html)) # 全部まとめて render html = render_lesson( num=17, title="L17 用途地域 21市町統合分析 — 広島県の Zoning 指定構造と都市プロファイル", tags=["都市計画", "用途地域", "Zoning", "geopandas", "k-means クラスタリング", "21市町統合", "21 dataset_id"], time="25-35 分（コード実行は約 1 分）", level="リテラシ＋（geopandas 入門済を想定、L15/L16 連携、k-means 初学）", data_label="DoBoX 都市計画区域情報_区域データ_各種用途地域 21 件", sections=sections, script_filename="L17_use_zones.py", ) (LESSONS / "L17_use_zones.html").write_text(html, encoding="utf-8") print(f" HTML 出力: {LESSONS / 'L17_use_zones.html'} " f"({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 16. ログ出力 # ============================================================================= total = time.time() - t0 print(f"\n=== 完了 === 実行時間: {total:.2f} 秒") print(f"出力:") print(f" HTML: lessons/L17_use_zones.html") print(f" CSV : 5 種 (assets/L17_*.csv)") print(f" JSON: 1 種 (assets/L17_hypothesis_results.json)") print(f" PNG : 9 種 (assets/L17_*.png)")